Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision
Révision précédente
y:yolo_sans_carte_graphique [2019/03/19 18:58]
serge
y:yolo_sans_carte_graphique [2019/05/04 07:59] (Version actuelle)
serge ↷ Liens modifiés en raison d'un déplacement.
Ligne 1: Ligne 1:
-====== ​YOLO sans carte graphique ======+====== ​Yolo Darknet ​sans carte graphique ======
 <WRAP center round box 80% centeralign>​ <WRAP center round box 80% centeralign>​
 **{{tagpage>​semaphore|Sémaphores}}** ​ ....  **{{tagpage>​bge|Blender Game Engine}}** ....  **{{tagpage>​ia|Intelligence Artificielle}}** **{{tagpage>​semaphore|Sémaphores}}** ​ ....  **{{tagpage>​bge|Blender Game Engine}}** ....  **{{tagpage>​ia|Intelligence Artificielle}}**
 </​WRAP>​ </​WRAP>​
- +<WRAP center round box 60% centeralign>​ 
-<WRAP center round box 80% centeralign>​ +C'est quoi un sémaphore ? 
-**Installation de YOLO Darknet sur un portable ​avec Optimus**\\  +{{ youtube>​F3sY6_fOx2I?​medium }} 
-**En première mondiale**+{{ :​chappe.jpeg?​400 }} 
 +</​WRAP>​ 
 +\\ \\  
 +<WRAP center round box 60% centeralign>​ 
 +//**Installation de YOLO Darknet sur un portable ​sans carte graphique**//\\ 
 +//**Simplement pour tester avec 1000 images**//
 </​WRAP>​ </​WRAP>​
 +=====Sources et ressources=====
 +  * **[[https://​github.com/​AlexeyAB/​darknet|darknet de AlexeyAB sur GitHub]] bien documenté**
 +  * **[[https://​medium.com/​@manivannan_data/​how-to-train-yolov2-to-detect-custom-objects-9010df784f36|Détection avec YOLO v2]] Les explications pour créer les images training et test** ​
 +  * **[[https://​medium.com/​@manivannan_data/​how-to-train-multiple-objects-in-yolov2-using-your-own-dataset-2b4fee898f17|How to train multiple objects in YOLOv2 using your own Dataset]]**
 +  * **[[https://​medium.com/​@manivannan_data/​how-to-train-yolov3-to-detect-custom-objects-ccbcafeb13d2|How to train YOLOv3 to detect custom objects]]**
  
 =====Création du set d'​apprentissage===== =====Création du set d'​apprentissage=====
-Nous avons 1000 images 416x416 obtenus avec **[[yolo_avec_mes_propres_images#​creation_du_set_d_apprentissage|Création du set d'​apprentissage]]**+Nous avons 1000 images 416x416 obtenus avec **[[y:yolo_avec_mes_propres_images#​creation_du_set_d_apprentissage|Création du set d'​apprentissage]]**
 et les fichiers test.txt et train.txt et les fichiers test.txt et train.txt
  
 =====Compilation de darknet===== =====Compilation de darknet=====
-====Dépendances==== +Dépendances:\\ 
-Il est très probable que darknet marche ​avec opencv-python==4.0.0 ! +Lancer la compilation et trouver les dépendances ​avec les erreurs.
-  sudo pip3 uninstall opencv-python==4.0.0 +
-  sudo pip3 install opencv-python==3.4.5.20+
   ​   ​
-====Compilation==== 
 Modification du fichier Makefile Modification du fichier Makefile
 <​code>​ <​code>​
Ligne 32: Ligne 39:
  
 Dans le dossier de darknet: Dans le dossier de darknet:
-  make+  make -j8
  
-=====Premier test===== +=====Fichiers manquants ​et à modifier=====
-====Fichiers manquants====+
 **darknet53.conv.74** **darknet53.conv.74**
   wget https://​pjreddie.com/​media/​files/​darknet53.conv.74   wget https://​pjreddie.com/​media/​files/​darknet53.conv.74
  
 +<WRAP group>
 +<WRAP half column>
 **cfg/​obj.data** **cfg/​obj.data**
 +<​code>​
 +classes= 27
 +train  = train.txt  ​
 +valid  = test.txt  ​
 +names = obj.names  ​
 +backup = backup/
 +</​code>​
 +</​WRAP>​
  
-**cfg/​yolov3-tiny.cfg**+<WRAP half column>​ 
 +**Créer un fichier obj.names:** 
 +<​code>​ 
 +
 +space 
 +
 +
 +d
  
 +etc .....
 +
 +x
 +y
 +z
 +</​code>​
 +</​WRAP>​
 +</​WRAP>​
 +
 +===cfg/​tinyv3-yolo.cfg===
 +  * **[[y:​yolo_darknet_scripts_de_configuration#​yolo_darknet_sans_carte_graphique|tinyv3-yolo.cfg disponible ici]]**
 +
 +===*.txt===
 +**test.txt et train.txt** sont à coller dans le dossier darknet\\
 +Les chemins dans ces fichiers sont absolus !
  
 =====Un petit calcul d'​apprentissage de 24 heures===== =====Un petit calcul d'​apprentissage de 24 heures=====
-  ./darknet detector train cfg/​obj.data cfg/yolov3-tiny.cfg darknet53.conv.74 +  ./darknet detector train cfg/​obj.data cfg/tiny-yolo.cfg darknet53.conv.74 ​-map 
-  +
 ça crée un dossier darknet/​backup avec des fichiers: ça crée un dossier darknet/​backup avec des fichiers:
  
-**yolov3-tiny_1000.weights\\ +**yolov3-tiny_1000.weights yolov3-tiny_2000.weights yolov3-tiny_3000.weights** 
-yolov3-tiny_2000.weights\\ + 
-yolov3-tiny_3000.weights +=====Un test enfin !===== 
-**+ ​L'​image shot_878_e.jpg est copiée dans data, puis: 
 +  ./darknet detector test cfg/​obj.data cfg/​yolov3-tiny.cfg backup/​yolov3-tiny_2000.weights data/​shot_878_e.jpg 
 + 
 +Le résultat est dans l'​image predictions.jpg du dossier darknet.  
 +{{ :​2019_03:​predictions.jpg?​400 |Génial !}} 
 + 
 +**Efficacité = 0.00 %**
  
 +=====Conclusion=====
 +Cette installation sert uniquement à apprendre, la suite avec une carte graphique: **[[y:​yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]** ​
  
-{{tag> ia sb semaphore }}+{{tag> ia sb semaphore}}
  • y/yolo_sans_carte_graphique.1553018318.txt.gz
  • Dernière modification: 2019/03/19 18:58
  • par serge